MIT 6.390 · 机器学习导论（原 6.036）

这门课讲什么

MIT 的机器学习导论（原 6.036，现已改名 6.390，注册号 6.3900）。它偏工程直觉：特征表示、过拟合与正则化、梯度下降、泛化，每周配一个动手 lab，强调”会用、会调”。

为什么重要

它和 CS229 是一对互补：6.390 重工程直觉，CS229 重数学严谨。 先用 6.390 把”机器学习在工程上怎么跑起来”建立起来，再上 CS229 回到数学根，学起来不容易崩。

怎么学不踩坑

第一个坑是搜错材料——用旧编号 6.036 会找到停更的老版本，一定认准 6.390 / introml.mit.edu 的最新学期。Lab 节奏偏快，建议跟着每周作业走，不要堆到最后。

学到什么程度算过关

能解释过拟合与正则化的关系，并独立完成一个分类 lab。

高频英文术语

这门课偏工程直觉，这些是每个 lab 都会碰到的词：

• Feature 特征 —— 喂给模型的输入变量，特征好坏常比模型更关键。
• Classifier 分类器 —— 把样本判成某一类的模型。
• Hypothesis 假设 —— 模型对“输入到输出”关系的猜测函数。
• Perceptron 感知机 —— 最简单的线性分类器，神经网络的雏形。
• Linear / Logistic Regression 线性 / 逻辑回归 —— 回归与二分类的入门基石。
• Gradient Descent 梯度下降 —— 迭代调参把误差降下来的核心方法。
• Regularization 正则化 —— 限制模型复杂度、抑制过拟合。
• Overfitting 过拟合 —— 在训练集很好、在新数据上崩。
• Generalization 泛化 —— 模型在没见过的数据上的表现，机器学习的终极目标。
• Cross-Validation 交叉验证 —— 反复划分数据来挑超参、估真实表现。
• Neural Network 神经网络 —— 课程后段引入的非线性模型。